一种适配数据识别方法、系统、设备及存储介质

技术领域

本申请涉及数据识别技术领域，尤其涉及一种适配数据识别方法、系统、设备及存储介质。

背景技术

目前临床中髋离断、大腿、膝离断假肢患者第一次穿戴或者更换新假肢时，需要进行假肢适配，以达到穿戴舒适、步态正常、步行平稳等目的。而对于髋离断、大腿、膝离断假肢患者，关键的调节过程是假肢膝关节屈曲和伸展阻尼的调节。患者穿戴新假肢行走时，如果伸展阻尼偏大，患者假肢侧摆动期膝关节伸展不足，则在下一个步态周期假肢侧容易发生“打软腿”等问题，导致步态异常和增大跌倒风险，此时需要减小伸展阻尼，增大屈曲阻尼；如果屈曲阻尼偏大、伸展阻尼偏小，则患者在足离地时膝关节屈曲偏小，假肢侧摆动期容易发生“假肢蹭地”“膝关节过伸”等问题，导致步态异常，增加跌倒的风险，此时需要减小屈曲阻尼，增大伸展阻尼。

目前临床中，假肢师需要通过肉眼观察患者穿戴假肢后步态的具体情况和特征，再根据其个人经验，对假肢膝关节屈曲和伸展阻尼进行调节，调节后再重复进行观察对比患者患侧和健侧下肢的步态、调节阻尼等步骤，直到观察到患者穿戴假肢能够步态对称，步行平稳，则不再对假肢进行调整。由于肉眼不能精确测量和实时监测小腿摆动速度，临床中“观察-调节-观察-调节...”的过程通常会消耗大量时间，存在假肢师工作效率低、适配不够专业、患者满意度低等问题。此外，我国各地假肢技师水平参差不齐，其为患者进行假肢适配的能力不同，进而导致适配效果参差不齐。

发明内容

本申请实施例提供了一种适配数据识别方法、系统、设备及存储介质，以达到精确识别小腿摆动的角度/角速度数据以输出不同步态模式下的适配结果、实现假肢的自适应调节，进而提高假肢适配效果、使得假肢调整标准化、直观化、可视化的技术效果。

本申请实施例采用下述技术方案：

第一方面，本申请实施例提供了一种适配数据识别方法，所述方法包括：

获取不同步态模式下采集的测量数据，其中，所述测量数据包括测量角速度及测量角度；

通过预先训练的识别模型，得到所述不同步态模式下的适配结果，其中，所述识别模型为使用多组训练数据通过机器学习训练得出的，多组训练数据中的每组训练数据均包括：每个步态周期中的测量角速度、测量角度以及所述每个步态周期中的测量角速度、测量角度对应的阻尼调节系数；

根据所述适配结果，确定所述步态模式中对应的假肢，并生成用于自适应调节所述假肢的指令。

可选地，所述通过预先训练的识别模型，得到所述不同步态模式下的适配结果，包括：

通过周期性检测算法，将连续步态下的多组测量数据中的测量角速度及测量角度按照预设步态周期分割为多段连续数据，并根据每个步态周期内的连续数据绘制关于角速度/角度波动变化的步态周期图；

通过峰值检测算法，检测每个步态周期内所述步态周期图中的目标极值，并确定每个步态周期内的摆动期范围；

在同一个步态周期内，根据测量角速度、测量角度、多个传感器的自身姿态数据得到膝关节在摆动期范围内的膝关节屈曲角度。

可选地，所述方法还包括：

在所述摆动期范围内，确定所述膝关节的最大伸展角度α以及所述膝关节在足离地时刻的屈曲角度β，其中所述最大伸展角度α包括患侧假肢的α角度和健侧下肢的α角度，所述屈曲角度β包括患侧假肢的β角度和健侧下肢的β角度。

可选地，所述方法还包括：

当患侧假肢的α角度小于健侧下肢的α角度时，则表明所述患侧假肢膝关节的伸展阻尼偏大，并得到减小伸展阻尼的适配结果；

当患侧假肢的α角度大于健侧下肢的α角度时，则表明所述患侧假肢膝关节的伸展阻尼偏小，并得到增大伸展阻尼的适配结果；

当患侧假肢的β角度小于所述健侧下肢的β角度时，则表明所述患侧假肢膝关节的屈曲阻尼偏大，并得到减小屈曲阻尼的适配结果；

当患侧假肢的β角度大于所述健侧下肢的β角度时，则表明所述患侧假肢膝关节的屈曲阻尼偏小，并得到增大屈曲阻尼的适配结果。

可选地，在训练所述识别模型时，包括：

手动调整阶段，将每组训练数据中的测量角速度、测量角度按照预设步态周期分割为多段连续数据，并根据每个步态周期内的连续数据绘制关于角速度/角度波动变化的步态周期图；检测每个步态周期内所述步态周期图中的目标极值，得到目标极值的数字列表以及膝关节屈曲角度曲线图，并结合预设经验值得到假肢膝关节阻尼的调整方案；

机器学习阶段，利用所述手动调整阶段得到的每个步态周期中的测量角速度、测量角度、以及所述每个步态周期中的测量角速度和测量角度对应的阻尼调节系数进行学习训练，每进行一轮学习训练就进行一次单独的假肢膝关节阻尼调整操作并记录相应的调整数据，之后再进行新一轮的学习训练，直到输出的所述假肢膝关节阻尼的调整结果满足预期调整结果为止；其中，将每一轮学习训练中的测量角速度和测量角度统记为I，同时将其对应的阻尼调节系数记为O。

可选地，在训练所述识别模型时，还包括：

强化训练阶段，在经过机器学习阶段的大量学习训练且所述学习训练的次数满足预设训练次数的要求时，则输入新的训练数据以进入强化训练阶段；

其中当经过多次学习训练后，将机器学习阶段每人次对应的包括I和O在内的k组数据统记为P，以P为新的训练数据强化训练所述识别模型；当输出的阻尼调节系数O不再有明显变化时，则认为识别模型达到最佳调整状态。

可选地，在验证所述识别模型时，包括：

将多组验证数据输入训练好的识别模型，并输出得到验证阶段的假肢膝关节阻尼的调整结果，以完成所述识别模型的验证；

其中每组验证数据均包括：每个步态周期中的实际测量角速度、实际测量角度、以及所述每个步态周期中的实际测量角速度和实际测量角度对应的实际阻尼调节系数。

第二方面，本申请实施例提供了一种适配数据识别系统，

角度传感器，用于采集小腿摆动角速度以及角度；

适配数据识别装置，用于

获取不同步态模式下采集的测量数据，其中，所述测量数据包括测量角速度及测量角度；

通过预先训练的识别模型，得到所述不同步态模式下的适配结果，其中，所述识别模型为使用多组训练数据通过机器学习训练得出的，多组训练数据中的每组训练数据均包括：每个步态周期中的测量角速度、测量角度以及所述每个步态周期中的测量角速度、测量角度对应的阻尼调节系数；

根据所述适配结果，确定所述步态模式中对应的假肢，并生成用于自适应调节所述假肢的指令；

电机，用于根据自适应调节生成的所述假肢的指令，调节所述假肢。

第三方面，本申请实施例还提供了一种电子设备，该电子设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如上述第一方面任一项所述的适配数据识别方法。

第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如上述第一方面任一项所述的适配数据识别方法。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：

提供了一种适配数据识别方法，包括：获取不同步态模式下采集的测量数据；通过预先训练的识别模型，得到所述不同步态模式下的适配结果；根据所述适配结果，确定所述步态模式中对应的假肢，并生成用于自适应调节所述假肢的指令。一方面，通过测量得到的角速度/角度数据，并利用预先训练的识别模型生成不同步态模式下对应的阻尼调节适配结果，以进行更为精确地假肢膝关节阻尼自适应调节，进而提高了假肢适配的准确度、减少了假肢师的工作负担和专业门槛，降低了人力成本；另一方面，通过绘制关于角速度/角度波动变化的多维度可视化图表，在假肢调试过程中无需假肢师进行主观观察，减少了目视及主观因素带来的调节误差，使得假肢适配工作更加标准化、直观化、可视化；通过将测量数据及调整方案发送至外部智能终端，在保证调整精确度和工作效率的同时，还可设置风险预警功能，有助于假肢穿戴者发现问题并自行调整，更具人性化及实用价值。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请一个实施例中的适配数据识别方法的流程示意图；

图2为本申请一个实施例中的膝关节屈曲角度的计算过程示意图；

图3为本申请一个实施例中的关于角速度变化的步态周期图；

图4为本申请一个实施例中的关于膝关节屈曲角度变化的曲线图；

图5为本申请一个实施例中的角度传感器固定位置示意图；

图6为本申请一个实施例中的角度传感器的尺寸示意图之一；

图7为本申请一个实施例中的角度传感器的尺寸示意图之二；

图8为本申请一个实施例中的适配数据识别系统的结构示意图；

图9为本申请一个实施例中的电子设备的结构示意图；

图10为本申请一个实施例中的计算机可读存储介质的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请的技术构思在于，将小型传感器模块固定在人体下肢的特定部位，用以实时测量小腿等部位的角速度/角度数据，并且利用预先训练的识别模型生成不同步态模式下的假肢膝关节阻尼调节适配结果，替代以往只能通过目测观察的方式来估计膝关节角度的方式，不仅可以提高假肢适配的准确度、减少假肢师的工作负担和专业门槛，而且还可以将相关数据发送至智能终端以直观展示阻尼调整建议等分析结果，使得假肢适配工作更加标准化、直观化、可视化。同时本申请可广泛应用于下肢截肢患者实时步态数据分析、假肢适配等领域。

以下结合附图，详细说明本申请各实施例提供的技术方案。

如图1所示，在本申请的一个实施例中，提出了一种适配数据识别方法，所述方法包括：

步骤S110，获取不同步态模式下采集的测量数据，其中，所述测量数据包括测量角速度及测量角度。

具体地，在本实施例中，可以通过包含陀螺仪、加速度计、地磁计等在内的传感器模块，通过绑带或在假肢上预置安装槽位的方式，将多个传感器固定在双腿的不同部位（单侧角度测量需要三个传感器模块，双腿角度测量需要六个传感器模块），以50-100Hz的采样频率进行数据采集。角速度数据可以由陀螺仪数据获取到，角度数据由陀螺仪、加速度计、地磁计数据经过姿态解算算法得到。

优选地，在假肢穿戴者患侧或者健侧的足部、小腿、大腿分别固定一个传感器模块，并且在完成数据采集后，还可以通过无线或者有线连接方式将传感器采集的测量数据同步至外部的智能终端。

例如，在患侧可以将传感器固定在假肢小腿管长度的二分之一位置处；在健侧可以将传感器固定在小腿胫骨长度的二分之一位置处。图5示出了位于假肢小腿处的传感器的固定位置。此外，大腿、足部或者其他肢体部位的传感器固定位置可由本领域技术人员自行选择和设置。

可以理解，本申请所述患侧指的是假肢穿戴者佩戴假肢一侧的下肢或者患者不健康一侧的下肢，所述健侧指的是未佩戴假肢或者未患有疾病一侧的健康下肢。当然，本申请实施例对健侧或患侧位于人体的左腿还是右腿不做限制，仅需要保证患侧和健侧处于双腿不同侧即可。

上述关于传感器模块的数量、安装位置等仅为举例，并不用于限定本申请的保护范围，本领域技术人员可以根据实际情况进行选择。

步骤S120，通过预先训练的识别模型，得到所述不同步态模式下的适配结果，其中，所述识别模型为使用多组训练数据通过机器学习训练得出的，多组训练数据中的每组训练数据均包括：每个步态周期中的测量角速度、测量角度以及所述每个步态周期中的测量角速度、测量角度对应的阻尼调节系数。

具体地，在测试时间T（秒）内，总样本数为n=T*f，即三维角速度/角度数据长度均为n，以相对于人体向右为x轴，向前为y轴，向上为z轴建立人体各肢体部位的空间坐标系，例如可以用X

同时，将测量角速度和测量角度数据分别记为ω

步骤S130，根据所述适配结果，确定所述步态模式中对应的假肢，并生成用于自适应调节所述假肢的指令。

在本实施例中，由于所述适配结果可以发送至智能终端进行可视化显示，因此，假肢师或者假肢穿戴者均可以根据对应的阻尼调节分析结果来进行假肢的手动调整。在一个优选的实施例中，在调整假肢膝关节阻尼的相应位置加装步进电机，在计算出合适的阻尼调节系数后，将调整动作指令直接下发至电机，自动完成阻尼的调整，由此，无需中断假肢测试过程以进行手动调节，就可以在行走测试的过程中同步进行阻尼调整。

由此可见，本申请所述适配数据识别方法不但可以更为精确地识别测量角速度、测量角度以及膝关节屈曲角度等数据，为临床假肢医师或假肢穿戴者提供阻尼调整的建议；而且还能实现假肢膝关节阻尼的自适应调节，提高了假肢适配的准确度、在假肢调试过程中无需进行人为主观观察，减少了假肢师的工作负担和专业门槛，降低了人力成本；同时，通过智能终端显示多维度的分析结果，进而使得假肢适配工作更加标准化、直观化、可视化。

进一步地，结合图2、图3和图4所示，在通过姿态解算方法计算出每个传感器模块的姿态之后，所述通过预先训练的识别模型，得到所述不同步态模式下的适配结果，包括：

通过周期性检测算法，将连续步态下的多组测量数据中的测量角速度及测量角度按照预设步态周期分割为多段连续数据，并根据每个步态周期内的连续数据绘制关于角速度/角度波动变化的步态周期图；具体地，由于在行走期间每一步的测量数据都具有相似性，表现为测量角速度ω和测量角度Φ呈现周期性波动，因此，通过周期性检测算法可将ω和Φ以相同的方式划分为多段相似的波动数据，即，每一段波动数据对应行走的每一步过程中的数据。

通过峰值检测算法，检测每个步态周期内所述步态周期图中的目标极值，并确定每个步态周期内膝关节的摆动期范围；具体地，在每个周期内会出现多次极大值和极小值，因此可以采用峰值检测算法检测出每个周期内特定的目标极值，每个极值点对应步态周期中的不同动作。例如，根据足部传感器x轴角速度ω

在同一个步态周期内，根据测量角速度、测量角度、多个传感器的自身姿态数据得到膝关节在摆动期范围内的膝关节屈曲角度。

例如，将摆动期范围[a，b]时间段内膝关节屈曲角度Φ

优选地，所述方法还包括：在所述摆动期范围内，确定所述膝关节的最大伸展角度α以及所述膝关节在足离地时刻的屈曲角度β，其中所述最大伸展角度α包括患侧假肢的α角度和健侧下肢的α角度，所述屈曲角度β包括患侧假肢的β角度和健侧下肢的β角度。

可以理解，在本申请实施例中，可以通过所述角速度/角度波动变化的步态周期图来分析和对比相应步态周期内，患侧假肢和健侧下肢之间的步态差异，进而从多维度评估假肢穿戴者的行走状态、行走能力以及假肢适配效果。

进一步地，所述方法还包括：

当患侧假肢的α角度小于健侧下肢的α角度时（或者患侧α角度小于预设阈值时），则表明所述患侧假肢膝关节的伸展阻尼偏大、屈曲阻尼偏小，并得到减小伸展阻尼的适配结果；

当患侧假肢的α角度大于健侧下肢的α角度时（或者患侧α角度大于预设阈值时），则表明所述患侧假肢膝关节的伸展阻尼偏小、屈曲阻尼偏大，并得到增大伸展阻尼的适配结果；

当患侧假肢的β角度小于所述健侧下肢的β角度时（或者患侧β角度小于预设阈值时），则表明所述患侧假肢的屈曲阻尼偏大、伸展阻尼偏小，并得到减小屈曲阻尼的适配结果；

当患侧假肢的β角度大于所述健侧下肢的β角度时（或者患侧β角度大于预设阈值时），则表明所述患侧假肢的屈曲阻尼偏小、伸展阻尼偏大，并得到增大屈曲阻尼的适配结果。

在确定出相应的适配结果后，可以将适配结果发送至智能终端进行提示，并且由相关人员进行假肢膝关节阻尼的手动调节或者利用电机进行自动调节。

以下将结合具体的测量数据对假肢膝关节屈曲角度的计算过程进行说明。

在本申请的一个实施例中，如图3所示，取10秒时间内的数据为例，图中波动的实线线条为足部x轴的测量角速度数据ω

进一步地，利用周期检测算法，可以将数据分割为以局部极大值点（表示摆动相中期的三角形标记）为分界的多段数据，每个分界点对应步态中的摆动相中期，并且通过峰值检测算法，可以找出每段数据中的两个极小值点（表示足跟着地的圆点、表示足尖离地的正方形），分别对应步态周期内的足跟着地和足尖离地。

在本实施例中，所述步态周期以足跟着地为分界点重新划分数据（竖线），取其中一个摆动期范围[503，622]区间，对应a=503、b=622，可以看出，其中，足尖离地在a=573样本处，即表示在该周期58.8%处。因此，结合大腿和小腿的传感器姿态及肢体姿态数据，计算该步态周期内的膝关节屈曲角度Φ

不难理解，在本实施例中，通过姿态解算方法，可以计算出位于不同位置传感器姿态矩阵，若需要计算固定传感器的下肢姿态，一般还需要考虑肢体相对于传感器的姿态，即相对矩阵，因此可由测量数据、传感器姿态矩阵和相对矩阵计算出该步态周期内的膝关节屈曲角度Φ

可以看出，由于图4对应图3中的[503，622]区间，因此，最大的伸展角度（即最小的屈曲角度）出现的时刻即为摆动期最后（即在图4中100%位置处）的足跟着地时刻，即k=b=622，α=Φ

需要说明的是，在本申请实施例中，可直接利用上述计算过程读取膝关节屈曲角度，并结合经验值确定假肢膝关节阻尼调节数值；或者也可以利用训练识别模型的方式（机器学习）来实现上述计算过程以及结合预设规则及经验值确定输出测量数据与阻尼调节值之间的适配关系。当然，以上内容仅为了便于理解和简化描述，不能理解为对本申请的限制。

在本申请的一个实施例中，在训练所述识别模型时，所述方法包括：

第一，手动调整阶段，将每组训练数据中的测量角速度、测量角度按照预设步态周期分割为多段连续数据，并根据每个步态周期内的连续数据绘制关于角速度/角度波动变化的步态周期图；检测每个步态周期内所述步态周期图中的目标极值，得到目标极值的数字列表以及膝关节屈曲角度曲线图，并结合预设经验值得到假肢膝关节阻尼的调整方案；可以理解，在训练模型过程中的训练数据可由本领域相关技术人员结合临床数据进行人为选择。通过所述数字列表和曲线图，可以更加直观、精确地向相关人员提供下肢运动的多维度细节状态。

第二，机器学习阶段，利用所述手动调整阶段得到的每个步态周期中的测量角速度、测量角度、以及所述每个步态周期中的测量角速度和测量角度对应的阻尼调节系数进行学习训练，每进行一轮学习训练就进行一次单独的假肢膝关节阻尼调整操作并记录模型输出的相应的调整数据，之后再进行新一轮的学习训练，直到输出的所述假肢膝关节阻尼的调整结果满足预期调整结果为止；其中，将每一轮学习训练中的测量角速度和测量角度统记为I，同时将其对应的阻尼调节系数记为O；I是经过尺度归一化处理的多维度的角速度/角度数据，O取决于阻尼调整位置及次数，其包括一维或多维数据；同时，可以将无阻尼状态记为零，正向增大阻尼记为正数、反向阻尼记为负数。

具体地，在对每一位假肢穿戴者进行假肢调整的过程中，一般均需要进行多次的调整操作，每进行一次测量就需要根据输出结果进行一次阻尼调整，之后再次测试角速度/角度数据并观察调整结果，当结果不理想时，则再次进行调整，如此反复，直到识别模型输出的结果满意（即不再需要调整阻尼）为止。由此，在进行大量的训练后（几百至上千次），即可由计算机预测出假肢膝关节阻尼的调整方案。

进一步地，所述方法还包括：

强化训练阶段，在经过机器学习阶段的大量学习训练且所述学习训练的次数满足预设训练次数的要求时，则输入新的训练数据以进入强化训练阶段；

其中当经过多次学习训练后，将机器学习阶段每人次对应的包括I和O在内的k组数据统记为P，以P为新的训练数据强化训练所述识别模型；当输出的阻尼调节系数O不再有明显变化时，则认为识别模型达到最佳调整状态。

具体地，如果一位假肢穿戴者经过k次调整，则按照顺序将输入的测量角速度及测量角度记为I

更进一步地，训练的模型在使用过程中，在经过数次的调整达到识别模型认为的最佳调整状态之后，假肢师可以依据自己的经验对假肢穿戴者行走姿态和对应的数据图表进行分析，并结合假肢穿戴者的反馈对调整结果进行评价，如果需要继续调整，那么该阶段调整将不再依赖识别模型，而是结合假肢师进行微调操作的数据，将其实时反馈给模型，并使用在线学习算法，更新模型参数。当然，也可以将新的数据收集扩充到原始训练集，用此前的训练结果初始化模型，再按照机器学习阶段的方法进行训练，得到更新后的识别模型。

优选地，本申请所述适配数据识别方法还包括：对训练好的识别模型进行验证；在验证所述识别模型时，包括：

将多组验证数据输入训练好的识别模型，并输出得到验证阶段的假肢膝关节阻尼的调整结果，进而通过比对该调整结果与预设目标结果之间的大小及差异，以完成所述识别模型的验证；其中每组验证数据均为未经选择的真实数据，包括：每个步态周期中的实际测量角速度、实际测量角度、以及所述每个步态周期中的实际测量角速度和实际测量角度对应的实际阻尼调节系数。

由上可知，本申请所述识别模型，能够根据输入的测量角速度、测量角度等数据自动输出不同步态模式假肢膝关节阻尼的适配结果，同时该识别模型可以自动学习历史数据，并由此进一步优化了自动化调整的能力，以指导相关人员进行假肢调整操作，进而本申请提高了假肢适配的效果。

在本申请的一个实施例中，参照图8所示，还提出了一种适配数据识别系统800，包括：角度传感器810、适配数据识别装置820、以及电机830；

所述角度传感器810，用于采集小腿摆动角速度以及角度；

该角度传感器的安装示意图参见图5，尺寸示意图参见图6和图7。可以看出，该种传感器的尺寸仅为36.8×31.6×12.3mm，其体积小、重量轻、安装拆卸、生产使用方便快捷；同时捕捉精度高、延时程度低、且不易受环境干扰。

所述适配数据识别装置820，用于：

获取不同步态模式下采集的测量数据，其中，所述测量数据包括测量角速度及测量角度；通过预先训练的识别模型，得到所述不同步态模式下的适配结果，其中，所述识别模型为使用多组训练数据通过机器学习训练得出的，多组训练数据中的每组训练数据均包括：每个步态周期中的测量角速度、测量角度以及所述每个步态周期中的测量角速度、测量角度对应的阻尼调节系数；根据所述适配结果，确定所述步态模式中对应的假肢，并生成用于自适应调节所述假肢的指令；

所述电机830，用于根据自适应调节生成的所述假肢的指令，调节所述假肢。该电机可以设置在假肢膝关节的阻尼调节位置处，并且根据调节指令对假肢的阻尼进行自适应调节。

优选地，所述适配数据识别装置还包括风险预警功能，例如，用于实时监测小腿摆动角速度/角度等数据，当测量数据超出或小于设定的参考值范围时，则发出报警音，以提示假肢穿戴者根据阻尼调整建议调小或调大伸展或屈曲阻尼，以避免行走时跌倒等意外的发生，进而使得假肢穿戴者可以及时发现问题并作出调整，有助于假肢穿戴者的步态改善及假肢适配工作。

优选地，所述适配数据识别系统中还包括：MCU控制器、通信模块、电池等组件在内的小型电路，如此设计就可将采集的测量数据以有线、无线（蓝牙、WIFI）等方式发送到手机、平板、计算机等智能终端，继而也可以在智能终端完成运算，通过绘制可视化图表的方式来动态反应整个行走过程中的肢体角度变化，且通过可视化界面可以直观展示出双腿的角度范围、最大值、最小值、周期性等特征，由此能够进一步分析出相关角度的对称性、稳定性等结果。

需要说明的是，上述适配数据识别装置，能够实现前述实施例中提供的适配数据识别方法的各个步骤，关于适配数据识别方法的相关阐释均适用于适配数据识别装置，此处不再赘述。

综上所述，本申请的技术方案至少达到了如下的技术效果：提供了一种适配数据识别方法，包括：获取不同步态模式下采集的测量数据；通过预先训练的识别模型，得到所述不同步态模式下的适配结果；根据所述适配结果，确定所述步态模式中对应的假肢，并生成用于自适应调节所述假肢的指令。一方面，通过测量得到的角速度/角度数据，并利用预先训练的识别模型为不同时刻的角速度/角度数据生成对应的阻尼建议值，以得到不同步态模式下的适配结果，且能够更为精确地进行假肢膝关节阻尼自适应调节，进而提高了假肢适配的准确度、减少了假肢师的工作负担和专业门槛，降低了人力成本；另一方面，通过绘制关于角速度/角度波动变化的多维度可视化图表，在假肢调试过程中无需假肢师进行主观观察，减少了目视及主观因素带来的调节误差，使得假肢适配工作更加标准化、直观化、可视化；通过将测量数据及调整方案发送至外部智能终端，在保证调整精确度和工作效率的同时，还可设置风险预警功能，有助于假肢穿戴者发现问题并自行调整，更具人性化及实用价值。

需要说明的是：

在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书（包括伴随的权利要求、摘要和附图）中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书（包括伴随的权利要求、摘要和附图）中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器（DSP）来实现根据本申请实施例的适配数据识别装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序（例如，计算机程序和计算机程序产品）。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

例如，图9示出了根据本申请一个实施例的电子设备的结构示意图。该电子设备900包括处理器910和被安排成存储计算机可执行指令（计算机可读程序代码）的存储器920。存储器920可以是诸如闪存、EEPROM（电可擦除可编程只读存储器）、EPROM、硬盘或者ROM之类的电子存储器。存储器920具有存储用于执行上述方法中的任何方法步骤的计算机可读程序代码931的存储空间930。例如，用于存储计算机可读程序代码的存储空间930可以包括分别用于实现上面的方法中的各种步骤的各个计算机可读程序代码931。计算机可读程序代码931可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘（CD）、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图10所示的计算机可读存储介质。

图10示出了根据本申请一个实施例的一种计算机可读存储介质的结构示意图。该计算机可读存储介质1000存储有用于执行根据本申请的方法步骤的计算机可读程序代码931，可以被电子设备900的处理器910读取，当计算机可读程序代码931由电子设备900运行时，导致该电子设备900执行上面所描述的方法中的各个步骤，具体来说，该计算机可读存储介质存储的计算机可读程序代码931可以执行上述任一实施例中示出的方法。计算机可读程序代码931可以以适当形式进行压缩。

在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。